基于超聲成像技術(shù)的火腿腸等級(jí)判別

鄒小波 張俊俊 趙 號(hào) 石吉勇 翟曉東 胡雪桃

（江蘇大學(xué)食品與生物工程院 江蘇鎮(zhèn)江212013）

火腿腸是典型的肉糜制品，因其營(yíng)養(yǎng)豐富、食用方便、風(fēng)味獨(dú)特且易于攜帶和儲(chǔ)藏深受消費(fèi)者的歡迎[1]。根據(jù)GB/T 20712-2006 中規(guī)定：火腿腸主要可劃分為特級(jí)、優(yōu)級(jí)和普通級(jí)[2]。不同等級(jí)的火腿腸在營(yíng)養(yǎng)價(jià)值、口感、質(zhì)構(gòu)等方面具有明顯差異。常見的火腿腸等級(jí)判別方法有感官評(píng)定法[3]、化學(xué)值測(cè)定法[4]及質(zhì)構(gòu)值測(cè)定法[5-6]。感官評(píng)定法指評(píng)價(jià)員根據(jù)已有的評(píng)價(jià)標(biāo)準(zhǔn)對(duì)火腿腸等級(jí)進(jìn)行判別，具有快速、低成本等優(yōu)點(diǎn)；然而評(píng)價(jià)員的健康狀況、嗜好、情緒等不穩(wěn)定因素會(huì)對(duì)感官評(píng)定的結(jié)果產(chǎn)生主觀影響，造成人為誤差，不利于科學(xué)研究和標(biāo)準(zhǔn)化生產(chǎn)[7]。化學(xué)值測(cè)定法是指通過(guò)對(duì)火腿腸中蛋白質(zhì)、脂肪、淀粉等成分含量的測(cè)定進(jìn)行分級(jí)，其結(jié)果準(zhǔn)確可靠，然而過(guò)程繁瑣、耗時(shí)耗力，不利于火腿腸品質(zhì)的在線監(jiān)測(cè)。質(zhì)構(gòu)值測(cè)定法根據(jù)不同等級(jí)的火腿腸力學(xué)性質(zhì)的不同，測(cè)定火腿腸的質(zhì)構(gòu)特性（彈性、硬度、黏附性等）判別火腿腸等級(jí)，然而過(guò)程繁瑣，耗時(shí)耗力，目前對(duì)火腿腸的質(zhì)構(gòu)特性評(píng)價(jià)仍以主觀判斷為主，缺乏系統(tǒng)、準(zhǔn)確的定量研究[6]。

超聲波是一種依靠介質(zhì)分子間振動(dòng)傳播的高頻（>20 kHz）機(jī)械波[8]，可穿透不透光物質(zhì)，常分為功率超聲波與檢測(cè)超聲波。功率超聲波攜帶能量較大，與試樣相互作用時(shí)會(huì)改變其狀態(tài)、組成、結(jié)構(gòu)和功能等[9]，常被用于輔助提取[10]、清洗除泡[11]等食品加工領(lǐng)域。檢測(cè)超聲波攜帶能量較低，作用于試樣時(shí)不會(huì)改變其理化性質(zhì)，且可根據(jù)反射或透射聲波的相位、振幅和速度等表征試樣的物理性質(zhì)與品質(zhì)狀況[12]，因此常被用于食品品質(zhì)監(jiān)測(cè)[13]、組分測(cè)定、異物檢測(cè)[14]等領(lǐng)域。超聲成像技術(shù)可通過(guò)超聲波全面掃描試樣以獲取其內(nèi)部結(jié)構(gòu)聲學(xué)特性信息，這些信息可直接轉(zhuǎn)換為肉眼可見的圖像，并用于食品檢測(cè)領(lǐng)域。然而，相較于醫(yī)學(xué)診斷[15]與工業(yè)檢測(cè)[16]，超聲成像檢測(cè)技術(shù)在食品檢測(cè)領(lǐng)域還處于起步階段。仇登高等[17]利用超聲成像技術(shù)，通過(guò)對(duì)超聲圖像紋理特征值的分析，成功實(shí)現(xiàn)了對(duì)大西洋鮭早期性別的識(shí)別。不同等級(jí)的火腿腸的原材料配比不同，具有不同的內(nèi)部結(jié)構(gòu)與力學(xué)性能[18]，而超聲波對(duì)質(zhì)構(gòu)變化具有敏感性，通過(guò)對(duì)火腿腸的超聲掃描，根據(jù)不同質(zhì)構(gòu)的火腿腸反射的超聲波不同，可得到不同紋理特征的火腿腸超聲圖像，為火腿腸等級(jí)判別提供了理論依據(jù)。

本文通過(guò)對(duì)火腿腸蛋白質(zhì)、脂肪、淀粉等理化指標(biāo)的測(cè)定，將其分為特級(jí)、優(yōu)級(jí)、普通級(jí)。通過(guò)超聲成像技術(shù)采集火腿腸的超聲圖像，并利用圖像處理技術(shù)提取圖像的角二階矩、熵、平均值等7 個(gè)紋理特征變量，利用KNN 和LS-SVM 兩種模式識(shí)別方法對(duì)火腿腸進(jìn)行等級(jí)判別，研究結(jié)果可為超聲成像技術(shù)在火腿腸等級(jí)判別中提供參考。

1 材料與方法

1.1 材料與試劑

試驗(yàn)原料：某品牌火腿腸，共60 根。

主要試劑：硫酸銅、硫酸鉀、硫酸、氫氧化鈉、石油醚，國(guó)藥集團(tuán)有限公司。

1.2 火腿腸超聲圖像采集

超聲成像裝置采用實(shí)驗(yàn)室自主研發(fā)的掃描超聲成像系統(tǒng)，其主要包括UTEX 320 超聲波發(fā)射/接收器，UTEX 科學(xué)儀器公司，加拿大；20 MHz 點(diǎn)聚焦型超聲波探頭，奧林巴斯株式會(huì)社，日本；三軸精密直線電機(jī)掃描機(jī)構(gòu)，珠海創(chuàng)峰精工機(jī)械有限公司；計(jì)算機(jī)，研華科技（中國(guó)）有限公司，其示意圖與實(shí)物圖如圖1。經(jīng)試驗(yàn)優(yōu)化后，采集圖像的最佳試驗(yàn)參數(shù)為：脈沖電壓350 V；脈沖寬度25 ns；脈沖頻率1 000 Hz；增益40 dB；焦距：25.4 mm；分辨率0.1 mm；掃描速度5 mm/s。

每根火腿腸隨機(jī)取2 個(gè)點(diǎn)進(jìn)行超聲圖像采集，取點(diǎn)及圖像采集過(guò)程如下：將每根火腿腸平均分為兩段，分別隨機(jī)從兩段中取長(zhǎng)1 cm 的小段，共120 份；將火腿腸片段放置于已調(diào)節(jié)水平的平臺(tái)上（圖1），設(shè)定圖像采集參數(shù)及掃描起始與終止點(diǎn)進(jìn)行圖像采集；所有試樣均在相同參數(shù)下進(jìn)行圖像采集，將采集完超聲圖像的火腿腸進(jìn)行等級(jí)標(biāo)定，并根據(jù)標(biāo)定結(jié)果對(duì)超聲圖像進(jìn)行編號(hào)。

圖1 超聲信號(hào)采集系統(tǒng)Fig.1 Schematic diagram （a） and picture （b） of the ultrasonic signal acquisition system

1.3 火腿腸等級(jí)測(cè)定

參照國(guó)標(biāo)GB 5009.3-2010 中直接干燥法測(cè)定水分含量[19]；參照國(guó)標(biāo)GB 5009.5-2010 中凱氏定氮法測(cè)定蛋白質(zhì)含量[20]；參照國(guó)標(biāo)GB/T 5009.6-2003 中索氏抽提法測(cè)定脂肪含量[21]；參照國(guó)標(biāo)GB/T 5009.9-2008 中酸水解法測(cè)定淀粉含量[22]。根據(jù)測(cè)得各成分含量參照國(guó)標(biāo)[2]劃分火腿腸等級(jí)為特級(jí)、優(yōu)級(jí)及普通級(jí)。

1.4 圖像紋理特征提取

圖像內(nèi)在特征差異是各等級(jí)火腿腸內(nèi)部的重要區(qū)別之一，各等級(jí)火腿腸圖像灰度值分布呈現(xiàn)一定規(guī)律性，采用圖像紋理相關(guān)特征參數(shù)能較好地評(píng)價(jià)并區(qū)分各等級(jí)火腿腸。常用的紋理提取方法為統(tǒng)計(jì)方法，而其中應(yīng)用最為廣泛的是灰度共生 矩 陣 法 （Grey Level Co-occurrence Matrix，GLCM）。選取常用的角二階矩（UNI）、熵（ENT）、對(duì)比度（CON）、相關(guān)性（COR）、逆差矩（IDM）并結(jié)合圖像平均灰度值（AVG）、灰度方差（DEV）作為紋理特征變量。其中，UNI 是圖像灰度分布均勻性的度量；ENT 表示紋理混亂程度；CON 為紋理清晰度；COR 用來(lái)衡量灰度共生矩陣的元素在行的方向上的相似程度；IDM 表示紋理平滑度；AVG 為超聲波反射量；DEV 在一定程度上反映了AVG 的分布情況[23]。

紋理特征值提取過(guò)程：將掃描區(qū)域的回波強(qiáng)度歸一化處理在映射到0-255 灰度級(jí)，采用閾值分割獲取火腿腸區(qū)域，最后采用灰度共生矩陣算法生成灰度共生矩陣并提取紋理特征值。

1.5 KNN 和LS-SVM 模式識(shí)別基本原理

K-最近鄰法（K-nearest neighbors，KNN）是以同類樣本在模式空間互相靠近為依據(jù)的分類方法，根據(jù)未知樣本在最鄰域中到K 個(gè)已知樣本的距離進(jìn)行分類[24]。最小二乘支持向量機(jī) （Leastsquares support vector machine，LS-SVM） 是在經(jīng)典SVM 的基礎(chǔ)上改進(jìn)，主要進(jìn)行非線性的多元建模[25]。

2 結(jié)果與分析

2.1 各等級(jí)火腿腸截面超聲圖像與紋理特征值

圖2為隨機(jī)選取的3 個(gè)等級(jí)火腿腸片段各1幅超聲圖像，其中標(biāo)尺為超聲波回波強(qiáng)度（占原始大小百分比）。

圖2 各級(jí)火腿腸截面超聲圖像Fig.2 Ultrasonic image of each grades ham sausages

觀察圖像可知，不同等級(jí)火腿腸片段超聲圖像存在一定差異；特級(jí)火腿腸圖像較其它等級(jí)顏色偏淺，且圖中藍(lán)色顆粒相對(duì)較少；優(yōu)級(jí)火腿腸圖像顏色較特級(jí)偏深，且顆粒增多增大；普通級(jí)火腿腸圖像顏色最深，且顆粒較多，可能是由于普通級(jí)火腿腸內(nèi)部的高含量淀粉在儲(chǔ)藏時(shí)期老化造成的大量微晶束。經(jīng)分析對(duì)比各等級(jí)火腿腸所有超聲圖像可知，同等級(jí)火腿腸之間超聲圖像紋理特征無(wú)明顯差別（P>0.05），不同等級(jí)火腿腸超聲圖像紋理特征差別明顯（P<0.05）。同時(shí)表1為3 個(gè)等級(jí)各40 份火腿腸圖像紋理特征的平均值。其中ENT 是指紋理特征的熵，表示紋理混亂程度，從表中數(shù)據(jù)可知，普通級(jí)的ENT 值大于特級(jí)的，表示普通級(jí)的紋理特征與特級(jí)相比比較混亂，與各等級(jí)火腿腸超聲圖像直觀分析相符，因此提取的紋理特征值可以直觀定量描述超聲圖像的回波信號(hào)分布情況，進(jìn)一步說(shuō)明了利用超聲圖像進(jìn)行火腿腸等級(jí)區(qū)分的可行性。

表1 各等級(jí)火腿腸圖像紋理特征值Table 1 Ultrasonic image characteristics parameters of each grades of ham sausages

2.2 等級(jí)判別分析

2.2.1 主成分分析 由于采用GLCM 定義的特征值都是基于圖像中某一灰度級(jí)結(jié)構(gòu)重復(fù)出現(xiàn)的概率[26]，因此提取的特征值具有一定的相關(guān)性與冗余信息。在建模時(shí)，模型的預(yù)測(cè)性會(huì)因這些冗余信息的介入而大大降低。主成分分析（Principal component analysis，PCA）是將多個(gè)指標(biāo)轉(zhuǎn)化為幾個(gè)綜合指標(biāo)的一種統(tǒng)計(jì)方法，能對(duì)數(shù)據(jù)進(jìn)行壓縮，用較少的指標(biāo)替代原指標(biāo)而盡可能地表征原指標(biāo)信息。圖3為3 個(gè)等級(jí)火腿腸的三維主成分得分圖，其中前3 個(gè)主成分的貢獻(xiàn)率分別為92.61%、7.03%和0.34%，累計(jì)貢獻(xiàn)率達(dá)到99.98%，基本代表了全部信息。

從圖中可知，同等級(jí)火腿腸雖分布較散，不同等級(jí)之間有一定的交叉趨勢(shì)，但3 個(gè)等級(jí)火腿腸基本可以被區(qū)分開來(lái)?？赡苡捎诩庸すに嚨挠绊懯沟猛燃?jí)火腿腸內(nèi)部質(zhì)構(gòu)存在一定差異，導(dǎo)致不同等級(jí)火腿腸得分出現(xiàn)小范圍交叉；同時(shí)不同等級(jí)間得分差異較為明顯，說(shuō)明不同等級(jí)火腿腸內(nèi)部質(zhì)構(gòu)差異顯著。這表明PCA 能依據(jù)紋理特征將不同等級(jí)火腿腸大致區(qū)分開來(lái)。

圖3 三維主成分得分圖Fig.3 Three-dimensional projection of PCA result

2.2.2 基于KNN 的等級(jí)判別 在主成分分析的基礎(chǔ)上，將各等級(jí)圖像按照2∶1 隨機(jī)分配得到含80 張圖像的校正集與40 張圖像的預(yù)測(cè)集，利用KNN 對(duì)其進(jìn)行分析。模型的輸入量為各主成分得分，輸出量為不同等級(jí)的火腿腸所對(duì)應(yīng)的類別，做數(shù)據(jù)處理。取7 個(gè)主成分所對(duì)應(yīng)的紋理特征和1～9 之間的K 值通過(guò)交互驗(yàn)證過(guò)程進(jìn)行優(yōu)化，以建立最佳的KNN 識(shí)別模型，預(yù)測(cè)集識(shí)別率作為優(yōu)化結(jié)果標(biāo)準(zhǔn)。如圖4b 所示，當(dāng)主成分?jǐn)?shù)為2，K 為1時(shí)，最佳預(yù)測(cè)集識(shí)別率為97.44%，此后預(yù)測(cè)集識(shí)別率先基本不變?cè)偌眲∠陆怠８鶕?jù)圖中校正集與預(yù)測(cè)集識(shí)別率可知，當(dāng)主成分?jǐn)?shù)為2，參數(shù)K 為1時(shí)，識(shí)別效果最優(yōu)，訓(xùn)練集和預(yù)測(cè)集識(shí)別率分別為97.53%和97.44%，KNN 對(duì)火腿腸等級(jí)判別具有良好的效果。說(shuō)明前2 個(gè)主成分基本包含了大部分紋理特征，與PCA 分析相符?？梢娎贸暢上窦夹g(shù)結(jié)合KNN 法對(duì)不同等級(jí)火腿腸進(jìn)行識(shí)別是可行的。

圖4 KNN 模式識(shí)別的校正和預(yù)測(cè)集Fig.4 Calibration （a） and prediction （b） results for identification of different grades of ham sausages based on KNN

2.2.3 基于LS-SVM 的等級(jí)判別 采用分類性能良好且適用范圍廣的徑向基內(nèi)積核函數(shù)（RBF）作為L(zhǎng)S-SVM 的核函數(shù)，同樣采用7 個(gè)主成分作為模型的輸入向量。RBF 核參數(shù)的選擇采用二步格點(diǎn)搜索法和留一法相結(jié)合，以訓(xùn)練集交互驗(yàn)證均方根誤差 （Root AVG square error of cross validation，RMSECV）值最小為指標(biāo)，優(yōu)選RBF 核的正規(guī)化參數(shù)γ 和σ2，初始值設(shè)為γ=2，σ2=2，經(jīng)處理得出最佳主成分?jǐn)?shù)為3，最佳參數(shù)對(duì)（γ，σ2）為（45.0399，23.8599）[27]。如圖5所示，LS-SVM 模型隨主成分?jǐn)?shù)的增加，校正集識(shí)別率穩(wěn)固增加，而預(yù)測(cè)集先增加后下降。當(dāng)主成分為3 時(shí)，模型最優(yōu)，校正集識(shí)別率為100%，預(yù)測(cè)集識(shí)別率達(dá)到94.87%。說(shuō)明前3 個(gè)主成分基本包含了所有的紋理特征，與PCA 分析相符。說(shuō)明利用超聲成像技術(shù)結(jié)合LS-SVM 法對(duì)不同等級(jí)火腿腸進(jìn)行識(shí)別是可行的。

圖5 基于LS-SVM 的各主成分的識(shí)別率Fig.5 Identification rate of each principal component based on LS-SVM

2.2.4 2種模型對(duì)比 如表2所示，LS-SVM 校正 集識(shí)別率較KNN 要高，可能因?yàn)長(zhǎng)S-SVM 是一種“監(jiān)督學(xué)習(xí)分類”方法，遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則來(lái)構(gòu)造決策超平面，其在已知樣本等級(jí)的情況下能獲得較好的分類效果；而KNN 為一種“非監(jiān)督學(xué)習(xí)分類” 方法，其不需要事先知道樣本所屬等級(jí)，通過(guò)發(fā)掘樣本的內(nèi)在相似性，然后指導(dǎo)同類檢測(cè)對(duì)象分類而不是依據(jù)判別類域的方法確定歸屬[24]，因此KNN 的預(yù)測(cè)集與校正集相當(dāng)。當(dāng)不知道樣本真實(shí)等級(jí)時(shí)，LS-SVM 的可靠性迅速下降，則超聲成像技術(shù)結(jié)合KNN 法識(shí)別未知等級(jí)火腿腸效果較LS-SVM 好，識(shí)別率可達(dá)97.44%。

表2 基于KNN 和LS-SVM 模式識(shí)別的識(shí)別率Table 2 Identification rates based on KNN and LS-SVM models

3 結(jié)論

本文利用超聲成像技術(shù)結(jié)合理化指標(biāo)測(cè)定，實(shí)現(xiàn)了火腿腸等級(jí)的快速判別。利用超聲成像技術(shù)采集火腿腸的超聲圖像，通過(guò)測(cè)定蛋白質(zhì)、脂肪、淀粉等理化指標(biāo)將其劃為特級(jí)、優(yōu)級(jí)及普通級(jí)。通過(guò)提取各等級(jí)火腿腸超聲圖像的紋理特征變量，運(yùn)用PCA 結(jié)合KNN 法和LS-SVM 法建立各等級(jí)火腿腸的快速識(shí)別模型。不同等級(jí)火腿腸超聲圖像具有較大差異，且圖像的紋理特征值差異顯著（P<0.05）；建立基于紋理特征識(shí)別模型中，當(dāng)主成分?jǐn)?shù)為2，K 為1 時(shí)，KNN 模型對(duì)應(yīng)的校正集識(shí)別率為97.53%，預(yù)測(cè)集識(shí)別率為97.44%；當(dāng)主成分為3 時(shí)，LS-SVM 模型對(duì)應(yīng)的校正集識(shí)別率為100%，預(yù)測(cè)集識(shí)別率為94.87%，可見KNN模型對(duì)火腿腸等級(jí)判別具有較好的識(shí)別效果。結(jié)果表明，采用超聲圖像紋理特征判別火腿腸等級(jí)的方法可行，其有望應(yīng)用于不同等級(jí)火腿腸的工業(yè)生產(chǎn)，可以節(jié)省勞動(dòng)力，縮短檢測(cè)時(shí)間，提高生產(chǎn)效率。